多任務學習及卷積神經網絡在人臉識別中的運用

任成娟

摘要 在深度學習的持續發展過程中，現階段人臉識別在深度學習的支持之下獲得了巨大的突破。而加強對人臉鑒別、認證、屬性分類等不同任務的分析，通過獨立的設計與運作模式對其進行處理，會導致其耗費大量的時間，且效率也相對較低。而通過多任務框架的深度卷積網絡對其進行分析，可以通過端到端的訓練，提升深度卷積網絡算法的簡潔性以及高效性。對此，文章主要對多任務學習及卷積神經網絡在人臉識別中的運用進行了簡單的探究分析。

【關鍵詞】多任務學習 卷積神經網絡 人臉識別

人臉識別就是一種對人臉面部特征進行身份識別的技術手段。在教育以及安全等領域中應用較為廣泛。傳統的人臉識別算法雖然其獲得了良好的效果，但是因為這些數據集中人臉個體相對較小，不同個體擁有的信息也相對較小，其還有一定的完善空間。而通過多任務學習機制對其進行分析，具有一定的實踐價值。

1 基于多任務學習的人臉識別框架

1.1 人臉識別基本定義與算法流程

人臉識別框架主要就是分為圖片與處理以及識別階段。其中與處理階段就是人臉的定位監測分析、人臉特征點標定分析、人臉對齊等幾個步驟。識別階段中其主要就是認證、鑒別以及屬性。人臉認證是判定兩張人臉特征的重要因素，而人臉鑒別是對人臉的對應的身份，而屬性分類則是人臉的特定屬性特征。

1.2 人臉預處理

就是在非限制性場景之中，通過對人臉位置分布在不確定特征、人臉大小的不同尺度進行分析，這是人臉與處理的重要流程。在對其進行與處理的過程中要先檢驗輸入的圖片，對其進行人臉檢測，在獲得人臉位置中的對應矩形框架;進而消除其存在的差異性問題。而在實踐中因為人臉姿態的不同差異，對此必須要對人臉的姿態進行矯正處理。人臉姿態的矯正就是通過坐標開展，其關鍵點的坐標在不同的場景中有著不同的數量。在得到人臉關鍵點的特征之中進行人臉矯正，其主要分為2D矯正以及3D矯正兩種類型，其中2D矯正就是通過眼間距、鼻子、嘴角等對其進行變換處理;而3D矯正則就是正臉化，通過標定點配對的方式獲得其三維臉模型的仿射參數，綜合參數獲得其相關位置，在對其進行插值處理、對稱補齊，對其進行系統處理。

1.3 多任務人臉識別

多任務人臉識別就是通過多種任務學習的訓練卷積網絡以及通過網絡對人臉進行識別。多任務學習主要就是認證、鑒別以及屬性不同類型的監督信息。

在實踐中，其主要就是對任務產生的交叉嫡損失進行網絡訓練的鑒別處理，提升網絡的初值質量;然后在通過對三元組損失對其進行優化訓練，進而提升其辨別精準度;最后就是在訓練基礎之上，加入屬性分類任務對其進行訓練，在完成認證、鑒別以及屬性的處理。

人臉驗證任務在實踐中要對兩張標準鏈特征進行提取，在對其進行相似度的度量對比，較為常見的方式就是歐式距離、余弦距離與聯合貝葉斯幾種方式。而比較距離以及閡值的關系就可以判定其是否通過，在實踐中表明預選距離相對來說具有一定的效果，在應用貝葉斯方法的時候要對其進行額外的訓練處理，這樣就會增加其復雜程度。

人臉鑒別任務中提取其要鑒別的標準臉的數值特征之后，在進入到人臉庫中對其進行對比，綜合特征獲得結果，返回獲得對應名字，在海量的注冊中進行人臉識別可以提升其監測速度與質量。

而人臉屬性分類任務在實踐中應用就是將與處理的標準臉在已經訓練好的卷積網絡中進行分析，進而獲得其相關屬性特征，獲得結果信息。

2 基于多任務的卷積神經網絡學習框架

2.1 鑒別網絡訓練

人臉鑒別任務就是標準臉獲得其相關身份信息。綜合任務的實際特征，將人臉鑒別任務理解為多分類的任務模式。如果在數據集中獲得信息屬于不同身份的個人，就要對這些人臉進行分類，在學習的過程中，要必須要通過網絡對個人的表情、姿態變化以及光照的魯棒性對其進行分析，劃分同類;同時必須要區分相似的人臉，對其進行劃分。而對于給定的人臉圖片，在通過4次卷積池化以及1次全連接之后就會獲得人臉對應的特征，然后在對其進行丟棄、處理。

在應用中，為了提升網絡的識別系統精準度。在訓練過程中必須要對數據信息進行擴充。通過隨機截取輸入圖片中的固定區域大小數值，避免因為標準者自身習慣不同產生的禪意性，在精準的分析不同部位額細節差異，避免網絡過擬合。在實踐中必須要對人臉的對稱性進行分析，對其進行水平方向的翻折處理。

2.2 認證鑒別網絡訓練

人臉認證就是對兩張人臉進行判定，分析其是否屬于同一個人。在認證鑒別中三元組損失相對較為直接，在操作中將其獲得的鑒別網絡作為初值在通過三元組件加強監督，可以提升網絡訓練的速度，在實踐中也可以提升人臉識別中鑒別與認證任務的質量，提升精準度。

2.3 認證鑒別屬性分類網絡訓練

在應用中，人臉識別屬性分類任務較為重要。在操作志宏要基于認證鑒別網絡的基礎之上，加入屬性分類的監督管理信息，對其進行人臉驗證、鑒別以及屬性分類任務處理。這樣可以有效的消除在人臉數據中姿態、位置以及尺度之間存在的差異性。在操作中可以將認證鑒別網絡訓練獲得的網絡作為網絡初值，在適當的增加CelebA數據集。在訓練過程中忽略因為位置信息導致的各種損失問題。將網絡的主體部分氛圍兩路，在利用人臉鑒別以及人臉屬性的交叉嫡損失作為其整體損失數值，這樣就可以共享網絡底層特征，利用單一的網絡就可以進行人臉鑒別、認證以及屬性分類處理。

3 結束語

通過對多任務學習的卷積神經網絡框架在人臉識別中應用分析，對基于多任務學習人臉識別框架以及基于多任務的卷積神經網絡學習框架進行了簡單的闡述分析，將人臉鑒別、認證以及豎向作為其網絡目標函數，利用端對端的訓練方式對深度卷積網絡進行訓練，整個算法簡單有效，其魯棒性良好，效果顯著。在實踐中通過多任務學習以及卷積神經網絡進行人臉識別，可以提升工作效率與質量，提升識別精準性，進而為各項工作的開展提供有效的信息支持。

參考文獻

[1]邵蔚元，郭躍飛，多任務學習及卷積神經網絡在人臉識別中的應用[J].計算機工程與應用，2016，52 （13）：32-37.

[2]張少華，基于深度卷積神經網絡的人臉基準點定位研究[D].華中科技大學，2016.

[3]郭曉潔，陳良，沈長青等.自適應深度卷積神經網絡在人臉識別上的應用[J] 自動化技術與應用，2017，36 （07）： 72-77.